对网站源码使用正则式的疑问？

[explist]

网站： http://sou.kuwo.cn/ws/NSearch?type=all&catalog=yueku2016&key=%E6%B1%AA%E5%B3%B0
要求：爬取其上的歌曲 ID ，歌名，歌手名
我写了个太难看了,如何写得更优雅点，或其它更好的方法
pat = re.compile(r'<p class="m_name">\s+<a href=".+?(\d+)/"\s*title="(.+?)".+?\s+.+?\s+.+?\s+.+?\s+.+?\s+?<p class="s_name".+?title="(.+?)"><')
res = pat.findall(html.read().decode())
另外：如何插入图片啊这里，代码也很乱

源码示例：
<li class="clearfix">
<p class="number"><input type="checkbox" checked="checked" name="musicNum" value="122560" mid="122560" />01</p>

<p class="m_name">
<a href="http://www.kuwo.cn/yinyue/122560/" title="怒放的生命" target="_blank">
<script>document.write("怒放的生命".replace(/(汪峰)/gi,'<em class="redFont">$1</em>'))</script>
</a>
</p>
<p class="a_name"><a href="http://www.kuwo.cn/album/7985/" title="怒放的生命" target="_blank"><script>document.write("怒放的生命".replace(/(汪峰)/gi,'<em class="redFont">$1</em>'))</script></a></p>
<p class="s_name"><a href="http://www.kuwo.cn/mingxing/%E6%B1%AA%E5%B3%B0/" target="_blank" title="汪峰"><script>document.write("汪峰".replace(/(汪峰)/gi,'<em class="redFont">$1</em>'))</script></a></p>
<p class="listen"><a href="http://player.kuwo.cn/MUSIC/MUSIC_122560" title="怒放的生命试听" target="_blank"></a></p>
<p class="video"><a href="http://www.kuwo.cn/mv/122560/" title="怒放的生命 MV" target="_blank"></a></p>
<p class="share"><a href="javascript:void(0);" onclick="showShareMusic(this,'怒放的生命','','122560')" title="分享"></a></p>
<p class="down"><a href="javascript:void(0);" title="怒放的生命下载" onclick="showDownMusic2014('MUSIC_122560');"></a></p>
</li>

[explist]

@jackal 就是不知道怎么让 . 匹配换行，[.\n] 这样试了不行

[explist]

这下好了点： r'<p class="m_name">\s+<a href=".+?(\d+)/"\s*title="(.+?)"[\s\S]+?<p class="s_name".+?title="(.+?)"><'

[N4HS3zwwKs7wira0]

@explist Add (?s) before your regexp.

[jackal]

我看到非常多的网友在回复中说， 不能用正则表达式来做这件事情。

我已经在我的回复中表达了这一点：“抛开立场之见”， 如果这个任务相对简单，不做其他扩展， 则完全可以用正则表达式来完成。

也请大家在做结论的时候， 切勿简单的思考或者表明立场。 实际上， 不少的网友心里并没有认真思考过， 什么叫合适， 什么叫不合适， 而是简单尊从 StackOverflow 或者某一些结论。

任何正确的结论都有前提条件； 当前提条件不满足了， 正确的就可能变成错误的结论， 希望大家深思。

[jackal]

@explist 匹配换行符， 使用[\s\S]

不建议从<p class="m_name">里面去抓数据。

衡量性能， 请安装一个 RegexBuddy （这个是收费的）或者有好几个网站提供网页（免费，请自己找一下）来做类似的事情。

[cevincheung]

xpath 啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊啊！！！！

[jarlyyn]

@jackal

既然这个观点是你提出来的,那烦请给出范例。

作为一个方面做 mud 机器人正则写到吐，现在写 web 各种 class 混用的人，好奇怎么处理多 class 的 html.

我就不提万一 html 里有注释这种蛋疼的情况了。

[fy]

@jarlyyn 我觉得没有必要假设网站的作者整天改 html ，以我的经验基本上一改就是全改， xpath 也好 css 选择器也好全都救不回来，老老实实重写。

正则当然是非常简单粗暴了，胜在方便熟练无依赖(lxml 需要二进制或者编译安装)。我觉得根据场景灵活选择吧，没有必要上纲上线。

@explist 匹配的时候，最后一个参数后面加上 re.DOTALL ，点就能匹配换行了

[aliipay]

@fy lxml 用 xpath 吗？感觉写起来也很难看

[binux]

@fy 但是他们会没事给加的特效，例如加红加粗加下划线

[explist]

@just1 失败了

[jarlyyn]

@fy

这和假设有什么关系， html 就是这样写的啊，随时加个 new 或者 hot 的类

[just1]

reg='value="(\d+)"[\s\S]*?"a_name"[\s\S]*?title="(.*?)"[\s\S]*?"s_name"[\s\S]*?title="(.*?)"'

[eoo]

对于一个写 PHP 的我来说 我比较倾向于正则表达式 ，如果用类似 Simple HTML DOM 来解析 HTML 或者引入几十 K 甚至上百 几百 K 的类来解析 HTML 估计内存会挂掉。

[bigwahaha]

xpath 去解析 html 才是正道，楼主快回来

[explist]

这样速度快了不少：
re.compile(r'"m_name">.+?/(\d+)/"\s*title="(.+?)".+?s_name".+?title="(.+?)"',re.S)

[fy]

@aliipay 还好吧，其实也不怎么丑， css 选择器也可以用

[xiamx]

@jackal "抛开立场之分 （立场之分是指有人要让正则表达式做不该它做的事情，比如解析任意复杂的 html 等） "

正则表达式_不能_解析 html 。 正则能解析的 HTML 只是当前 HTML 文档的一个子集。

[52cik]

js 的正则是这样的，不知道其他语言能不能跑。
musicNum\D+(\d+)[^(]+\("([^"]+)[^(]+...([^)]+)
$1 是 id ，$2 是歌曲，$3 是歌手

[retanoj]

我在源码里直接搜索 li class="clearfix 就定位到 n 条歌曲记录
不可以先对源码 parse 一下，然后用 xpath 或者各种选择器去选么？
例如 document.querySelector("li[class='clearfix'] > p[class='m_name'] > a").getAttribute('title')